用于生物医学图像分割的超卷积网络
图像与视频处理
2022-10-10 v2 计算机视觉与模式识别
摘要
卷积操作是计算机视觉中广泛使用的神经网络架构的核心构建模块。卷积核的大小决定了卷积神经网络（CNN）的表达能力以及可学习参数的数量。增加网络以捕获丰富像素关系的容量需要增加可学习参数的数量，这常常导致过拟合和/或缺乏鲁棒性。在本文中，我们提出一种强大的新颖构建模块——超卷积（hyper-convolution），其将卷积核隐式表示为核坐标的函数。超卷积使得核大小（及其感受野）与可学习参数数量解耦成为可能。在我们的实验中，聚焦于具有挑战性的生物医学图像分割任务，我们证明用超卷积替换常规卷积可得到更高效的架构，并取得更高的精度。我们的分析还表明，学习到的超卷积自然正则化，可带来更好的泛化性能。我们相信超卷积可作为未来计算机视觉任务神经网络架构中的强大构建模块。我们在此提供所有代码：https://github.com/tym002/Hyper-Convolution
引用
@article{arxiv.2105.10559,
title = {Hyper-Convolution Networks for Biomedical Image Segmentation},
author = {Tianyu Ma and Adrian V. Dalca and Mert R. Sabuncu},
journal= {arXiv preprint arXiv:2105.10559},
year = {2022}
}
备注
WACV 2022